MODELOS ESTADISTICOS EN

SIMULACION

1
INTRODUCCION

En el modelado de fenmenos del mundo
real, hay pocas situaciones donde las acciones
de las entidades dentro del sistema bajo
estudio puedan ser completamente predichas
con anticipacin.
El mundo de la construccin de modelos es
probabilstico ms que determinstico. Hay
muchas causas de variacin.

2
INTRODUCCION

Para el constructor del modelo, esas
variaciones aparecen por casualidad y no
pueden ser predichas. Sin embargo algunos
modelos estadsticos pueden describir la
variable de inters.
Un modelo estadstico apropiado puede ser
desarrollado muestreando el fenmeno de
inters.

3

INTRODUCCION

Atraves de una conjetura( o usando un
software para este propsito), el diseador
puede seleccionar una distribucin, hacer una
estimacin de los parmetros de sta y
probar que tan bien se ajusta.

4
CONTENIDO
I. REVISIN DE TERMINOLOGA Y CONCEPTOS
II. UTILIDAD DE LOS MODELOS ESTADISTICOS
III. DISTRIBUCIONES DISCRETAS
IV. DISTRIBUCIONES CONTINUAS
V. PROCESO POISSON
VI. DISTIBUCIONES EMPIRICAS
VII. RESUMEN


5

I. REVISIN DE TERMINOLOGA Y CONCEPTOS

1. VARIABLE ALEATORIA DISCRETA. (X)

FUNCION DE MASA DE PROBABILIDAD (DISTRIBUCION DE PROBABILIDAD).
, i = 1,2,
CONDICIONES DE LA FUNCION DE MASA DE PROBABILIDAD DE UNA
VARIABLE ALEATORIA DISCRETA.

6
2. VARIABLE ALEATORIA CONTINUA. (X)
FUNCION DE DENSIDAD DE PROBABILIDAD (DISTRIBUCION DE
PROBABILIDAD). f(x)
P(a x b)=
CONDICIONES DE LA FUNCION DE DENSIDAD DE PROBABILIDAD DE UNA
VARIABLE ALEATORIA CONTINUA.
a) f(x)0
b)
c) f(x)=0

7
3. FUNCION DE LA DISTRIBUCION ACUMULADA F(X)

VARIABLE ALEATORIA DISCRETA.
P(Xx) =

VARIABLE ALEATORIA CONTINUA.
P(Xx) =


8
4. VALOR ESPERADO DE UNA VARIABLE ALEATORIA(MEDIA) O
PRIMER MOMENTO DE X

VARIABLE ALEATORIA DISCRETA. E(X)

VARIABLE ALEATORIA CONTINUA. E(X)

VARIABLE ALEATORIA DISCRETA. E( )

VARIABLE ALEATORIA CONTINUA. E( )

9
5. VARIANZA DE X (V(X) , VAR(X) o )

10
II. UTILIDAD DE LOS MODELOS ESTADISTICOS
1. SISTEMAS DE COLAS O LINEAS DE ESPERA

2. SISTEMAS DE INVENTARIOS

3. CONFIABILIDAD Y MANTENIMIENTO

4. DATOS LIMITADOS

5. OTRAS DISTRIBUCIONES

11
1. SISTEMAS DE COLAS O LINEAS DE ESPERA
VARIABLES ALEATORIAS: Tiempos entre llegadas
Tiempos de servicio
Es posible tener tiempos entre llegadas y tiempos de servicio constantes ( lneas de ensamble
movindose a velocidad constante, un robot para soldador en la misma lnea).
Distribucin exponencial
Distribucin normal o
Distribucin normal o truncada
Distribucin Gamma y distribucin Weibull (la exponencial es un caso particular
de ambas).
La diferencia entre la Gamma, Weibull y la Exponencial radica en la localizacin de las modas y las
formas de sus colas para pequeos o grandes tiempos.

Para la exponencial su moda est en el origen, para la Weibull y la Gamma su moda se encuentra en
X 0 el cual es funcin de los parmetros seleccionados.

La cola de la Gamma y de la exponencial es larga, mientras que la cola de la Weibull puede declinar mas
rpidamente o menos rpidamente que una distribucin exponencial. En la prctica, esto significa que
si hay muchos tiempos grandes de servicio que una exponencial tiene que modelar, una Weibull puede
ser un mejor modelo de estos tiempos de servicio.
12
2. SISTEMAS DE INVENTARIOS
Variables aleatorias:
Nmero de unidades demandadas por orden por perodo
Geomtrica, Poisson y Binomial Negativa.
La distribucin Geomtrica (caso especial de la Binomial Negativa tiene su moda en uno, dando que al
menos una demanda ha ocurrido.
Si los datos de la demanda son caracterizados por una cola larga, la Binomial Negativa puede ser
apropiada.
La distribucin Poisson es usada frecuentemente para modelar demanda, esto porque es
simple, extensamente tabulada y es bien conocida. La cola de la Poisson es generalmente mas corta
que de la Binomial Negativa, el cual significa que pocas demandas grande ocurrirn si la Poison es
usada en vez de una Binomial Negativa ( suponiendo que ambos modelos tienen la misma demanda
media).
Tiempo entre demandas
Lead time Distribucin Gamma

13
3. CONFIABILIDAD Y MANTENIMIENTO
Variables aleatorias:
El tiempo de falla (Exponencial, Gamma y Weibull)
Distribucin Exponencial: Si nicamente ocurren fallas aleatorias, la distribucin
de tiempo de falla puede se modelado con la
distribucin exponencial.
Gamma: Para modelar redundancias donde cada componente tiene un tiempo de vida
exponencial.
Weibull: Ha sido extensamente usada para modelar tiempo de falla, y su naturaleza es tal que
puede aproximarse a muchos fenmenos observados. Cuando hay un numero de
componentes en un sistema y la falla es debida a un gran numero de defectos o
posibles defectos, la Distribucin Weibull es un buen modelo.

Cuando la falla es debida al uso, la distribucin Normal puede ser apropiada.
La distribucin Lognormal se ha encontrado que pude modelar para algunos tipos
de componentes.

14
4. DATOS LIMITADOS
En el caso de simulaciones inicien antes de que la recoleccin de datos hayan sido terminada,
tres distribuciones se manejan:
Distribucin Uniforme: Puede ser usada en tiempos entre llagadas tiempos de
servicio cuando se sabe que estos son aleatorios.
(Distribucin de la mxima ignorancia)
Distribucin Triangular: Puede ser usada cuando suposiciones son hechas acerca del
mnimo, mximo y del valor modal de la variable aleatoria.
Distribucin Beta: La distribucin Beta provee una variedad de formas de distribucin en
el intervalo unitario, la cual con una modificacin apropiada puede
ser movida a un intervalo deseado. La distribucin uniforme es un
caso especial de la distribucin Beta.

15
5. OTRAS DISTRIBUCIONES
Distribucin Bernoulli
Distribucin Binomial
Distribucin Hiperexponencial


16

III. DISTRIBUCIONES DISCRETAS


1. ENSAYO BERNOULLI Y DISTRIBUCION
BERNOULLI
2. DISTRIBUCION BINOMIAL
3. DISTRIBUCION GEOMETRICA
4. DISTRIBUCION POISSON

17
IV. DISTRIBUCIONES CONTINUAS

1. DISTRIBUCION UNIFORME
2. DISTRIBUCION EXPONENCIAL
3. DISTRIBUCION GAMMA
4. DISTRIBUCION ERLANG
5. DISTRIBUCION NORMAL
6. DISTRIBUCION WEIBULL
7. DISTRIBUCION TRIANGULAR
8. DISTRIBUCION LOGNORMAL
18
V. PROCESO POISSON
Se dice que un proceso de Poisson existe si podemos
observar eventos discretos en un area de oportunidad,
intervalo continuo (tiempo, longitud, area, volumen,
etc. ) de tal manera que si acortamos el area de
oportunidad o intervalo de manera suficiente
1. La probabilidad de observar exactamente un xito en el
intervalo es estable.
2. La probabilidad de observar ms de un xito en el
intervalo es cero.
3. La ocurrencia de un xito en cualquier intervalo es
estadsticamente independiente de aquella en cualquier
otro intervalo.
19
VI.DISTIBUCIONES EMPIRICAS
Una distribucin emprica puede ser continua o discreta.
Es usada cuando es imposible o innecesario establecer que
una variable aleatoria tiene una distribucin conocida.
Una ventaja de usar una distribucin conocida en simulacin,
es la facilidad con la cual los parmetros pueden ser
modificados para conducir un anlisis de sensibilidad.
20
RESUMEN

VII. RESUMEN

En muchos casos el analista de simulacin ve
el comportamiento probabilstico ms que
determinstica.
El propsito del captulo es la revisin de
varias distribuciones de probabilidad
importantes y mostrar aplicaciones de las
distribuciones en un contexto de simulacin.

21
La principal tarea en simulacin es la
recoleccin y anlisis de los datos de entrada.
Uno de los primeros pasos en esta tarea es
hipotetizar una distribucin para los datos de
entrada. Esto se logra comparando la forma
de la funcin de densidad o masa de
probabilidad con el histograma de los datos
22